一种基于企业财税票数据的金融风控授信评定方法及装置制造方法及图纸

本发明专利技术提供了一种基于企业财税票数据的金融风控授信评定方法及装置，属于财务信息化技术领域，该方法如下：基于深度神经网络的识别模型获取企业财税票中的文本数据；所述文本数据包括：企业名称、财税数据和时间数据；根据所述企业名称获取企业数据，并根据所述企业数据、所述财税数据和所述时间数据构建知识图谱；对所述知识图谱进行企业节点属性特征融合和网络结构特征提取；根据融合得到的企业属性特征和提取得到的网络结构特征，训练得到金融风控授信评定模型。本发明专利技术通过识别模型获取企业财税票中的文本数据可以提高数据的准确率降低人力成本，通过金融风控授信评定模型提高对企业金融风控授信评定的可靠性以及效率。对企业金融风控授信评定的可靠性以及效率。对企业金融风控授信评定的可靠性以及效率。

【技术实现步骤摘要】
一种基于企业财税票数据的金融风控授信评定方法及装置


[0001]本专利技术涉及财务信息化
，尤其涉及一种基于企业财税票数据的金融风控授信评定方法、装置、设备及存储介质。

技术介绍

[0002]金融业是人工智能应用最早、最全面的行业之一。金融业是信息行业，金融业务与信息、数据密切相关。人工智能的飞速发展，使得机器能够在很大程度上模拟人的功能，实现批量人性化和个性化的服务客户。
[0003]金融业的重中之重是服务客户，为客户提供更准确、更切合需求的服务，目前对企业财税票数据的分析通常是通过人工整理分析来进行金融风控授信的评定，不够准确存在数据不完善以及主观意识影响等问题，同时还存在耗时耗力效率低下的问题。

技术实现思路

[0004]本专利技术提供了一种基于企业财税票数据的金融风控授信评定方法、装置、设备及存储介质，通过识别模型获取企业财税票中的文本数据可以提高数据的准确率降低人力成本，通过金融风控授信评定模型提高对企业金融风控授信评定的可靠性以及效率。
[0005]第一方面，本专利技术的实施例提供了一种基于企业财税票数据的金融风控授信评定方法，该方法包括：
[0006]基于深度神经网络的识别模型获取企业财税票中的文本数据；
[0007]其中，文本数据包括：企业名称、财税数据和时间数据；
[0008]根据企业名称获取企业数据，并根据企业数据、财税数据和时间数据构建知识图谱；
[0009]对知识图谱进行企业节点属性特征融合和网络结构特征提取；
[0010]根据融合得到的企业属性特征和提取得到的网络结构特征，训练得到金融风控授信评定模型；
[0011]其中，金融风控授信评定模型用于对企业进行金融风控授信评定。
[0012]上述技术方案，通过识别模型获取企业财税票中的文本数据可以提高数据的准确率降低人力成本，通过金融风控授信评定模型提高对企业金融风控授信评定的可靠性以及效率。
[0013]可选地，基于深度神经网络的识别模型获取企业财税票中的文本数据，包括：
[0014]根据基于深度神经网络的识别模型确定企业财税票中的文本区域；
[0015]对文本区域进行文字识别，获得文本内容；
[0016]根据文本内容确定企业名称、财税数据和时间数据。
[0017]可选地，基于深度神经网络的识别模型获取企业财税票中的文本数据，还包括：
[0018]分析文本内容，判断企业财税票是否合规，是否存在缺陷；
[0019]若不合规则将不合规的企业财税票对应的那条数据标记为不合格；
[0020]若存在缺陷则查询财税票记录数据，补充缺少的内容。
[0021]可选地，根据企业名称获取企业数据，并根据企业数据、财税数据和时间数据构建知识图谱，包括：
[0022]知识存储，将企业数据、财税数据和时间数据存入到知识模型中；
[0023]信息抽取，从企业数据、财税数据和时间数据中抽取实体、关系以及实体属性；
[0024]知识融合，对进行过信息抽取的数据进行实体链接和知识合并。
[0025]可选地，对知识图谱进行企业节点属性特征融合和网络结构特征提取，包括:
[0026]获取知识图谱中企业节点的相关属性；
[0027]其中，相关属性包括：企业信息、实控人信息、其他干系人信息和财税信息；
[0028]根据聚合函数对相关属性进行聚合确定企业节点属性特征；
[0029]其中，聚合函数包括如下一项或多项：最大值、加和、中位数、均值、或众数。
[0030]可选地，对知识图谱进行企业节点属性特征融合和网络结构特征提取，还包括；
[0031]分析财税数据确定知识图谱中企业节点之间的关系；
[0032]根据企业节点之间的关系确定网络结构特征。
[0033]可选地，根据融合得到的企业属性特征和提取得到的网络结构特征，训练得到金融风控授信评定模型，包括：
[0034]通过分析企业属性特征和网络结构特征，将企业数据、财税数据和时间数据划分为正样本和负样本；
[0035]将标记为不合格的数据作为负样本；
[0036]根据LightGBM算法使用正样本和负样本训练得到金融风控授信评定模型。
[0037]第二方面，本专利技术的实施例提供了一种基于企业财税票数据的金融风控授信评定装置，该装置包括：
[0038]获取模块，用于基于深度神经网络的识别模型获取企业财税票中的文本数据；
[0039]其中，文本数据包括：企业名称、财税数据和时间数据；
[0040]构建模块，用于根据企业名称获取企业数据，并根据企业数据、财税数据和时间数据构建知识图谱；
[0041]特征确定模块，用于对知识图谱进行企业节点属性特征融合和网络结构特征提取；
[0042]训练模块，用于根据融合得到的企业属性特征和提取得到的网络结构特征，训练得到金融风控授信评定模型；
[0043]其中，金融风控授信评定模型用于对企业进行金融风控授信评定。
[0044]第三方面，本专利技术的实施例提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如第一方面中任一实现方式所述的方法。
[0045]第四方面，本专利技术的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一实现方式所述的方法。
[0046]本专利技术提供了一种基于企业财税票数据的金融风控授信评定方法、装置、设备及存储介质，该方法如下：基于深度神经网络的识别模型获取企业财税票中的文本数据；所述文本数据包括：企业名称、财税数据和时间数据；根据所述企业名称获取企业数据，并根据
所述企业数据、所述财税数据和所述时间数据构建知识图谱；对所述知识图谱进行企业节点属性特征融合和网络结构特征提取；根据融合得到的企业属性特征和提取得到的网络结构特征，训练得到金融风控授信评定模型。本专利技术通过识别模型获取企业财税票中的文本数据可以提高数据的准确率降低人力成本，通过金融风控授信评定模型提高对企业金融风控授信评定的可靠性以及效率。
[0047]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本专利技术的实施例的关键或重要特征，亦非用于限制本专利技术的范围。本专利技术的其它特征将通过以下的描述变得容易理解。
附图说明
[0048]结合附图并参考以下详细说明，本专利技术各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。
[0049]图1为本专利技术实施例的一种基于企业财税票数据的金融风控授信评定方法的流程图；
[0050]图2为本专利技术实施例的一种基于企业财税票数据的金融风控授信评定装置的结构示意图；
[0051]图3为本专利技术实施例的一种电子设备的结构图。
具体实施方式
[0052]为了使本
的人员更好地理解本说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于企业财税票数据的金融风控授信评定方法，其特征在于，包括：基于深度神经网络的识别模型获取企业财税票中的文本数据；所述文本数据包括：企业名称、财税数据和时间数据；根据所述企业名称获取企业数据，并根据所述企业数据、所述财税数据和所述时间数据构建知识图谱；对所述知识图谱进行企业节点属性特征融合和网络结构特征提取；根据融合得到的企业属性特征和提取得到的网络结构特征，训练得到金融风控授信评定模型；所述金融风控授信评定模型用于对企业进行金融风控授信评定。2.根据权利要求1所述的金融风控授信评定方法，其特征在于，所述基于深度神经网络的识别模型获取企业财税票中的文本数据，包括：根据所述基于深度神经网络的识别模型确定所述企业财税票中的文本区域；对所述文本区域进行文字识别，获得文本内容；根据所述文本内容确定所述企业名称、财税数据和时间数据。3.根据权利要求2所述的金融风控授信评定方法，其特征在于，所述基于深度神经网络的识别模型获取企业财税票中的文本数据，还包括：分析所述文本内容，判断所述企业财税票是否合规，是否存在缺陷；若不合规则将不合规的所述企业财税票对应的那条数据标记为不合格；若存在缺陷则查询财税票记录数据，补充缺少的内容。4.根据权利要求1所述的金融风控授信评定方法，其特征在于，所述根据所述企业名称获取企业数据，并根据所述企业数据、所述财税数据和所述时间数据构建知识图谱，包括：知识存储，将所述企业数据、所述财税数据和所述时间数据存入到知识模型中；信息抽取，从所述企业数据、所述财税数据和所述时间数据中抽取实体、关系以及实体属性；知识融合，对进行过信息抽取的数据进行实体链接和知识合并。5.根据权利要求1所述的金融风控授信评定方法，其特征在于，所述对所述知识图谱进行企业节点属性特征融合和网络结构特征提取，包括:获取所述知识图谱中企业节点的相关属性；所述相关属性包括：企业信...

【专利技术属性】
技术研发人员：王德敬，
申请(专利权)人：中科柏诚科技北京股份有限公司，
类型：发明
国别省市：